
立春后新的一周,北京春光明媚,但仍有些雾霾。这就好比目前P2P网贷的局面,爆发式增长的过程中呈现冰火两重天的现象。一方面,骗子平台层出不穷,倒闭、跑路等现象屡见不鲜;另一方面,自2014年以来不断有背景强大的机构加入,风投公司也纷纷注资。
融360日前联合中国人民大学国际学院金融风险实验室发布2015年第一期网贷评级报告,针对100家网贷平台进行了从A到C-等6个级别的分类。
数据显示,11家A类平台中,8家获得风投,2家有上市系背景,两者合计占比达90.91%;39家B类平台中,14家获得风投,5家有上市系或国资系背景,合计占比达51.28%;50家C类平台中,仅5家获得风投,1家有国资系背景,合计占比为12%。
而这100家P2P平台中,陆金所、人人贷、宜人贷、积木盒子、翼龙贷、招财宝、有利网、拍拍贷、开鑫贷9家被评为A级;微贷网与红岭创投被评为A-级。另外17家平台被评为B级,22家被评为B-级;30家C级,20家C-级。
融360历史监测数据显示,截至2014年底,全国网贷平台增至1613家,其中爆发问题的平台共计273家,接近总数的17%。网贷平台出现的问题主要集中在提现困难、运营不善、老板失联,更有甚者为恶意诈骗。P2P网贷以其高收益、高风险的特点,可以说让投资者爱恨交加。
报告显示,99家P2P平台(除招财宝)的平均年化收益率为14.32%,其中A类平台的平均年化收益率为12.12%,B类平台的平均年化收益率为13%,C类平台的平均年化收益率为15.38%。整体来看,综合评分越高的平台年化收益率越低。
融360联合创始人、CEO叶大清介绍说,这一网贷评级体系由背景实力、平台风险控制、运营能力、信息披露以及用户体验这五个维度构成,进一步细分成了18个考虑要项。比如用股东背景、管理团队背景和平台实际运营时间等作为公司背景实力评估的依据。就风险控制能力来说,评估要素则包括债权保障、借款集中度、标的种类、资金安全等。其他还包括运营数据的公开性、借款人信息披露、资金流动性等要项。
站在第三方立场上,融360坚持整个评级体系的中立性和公益性。360大数据研究院与中国人民大学金融风险实验室共建“网贷评级课题组”,课题组独立于其他业务部门,评级结果不受商业合作关系干扰。“我们努力做到严谨、公正、准确和客观,经得起市场的检验。”叶大清表示,作为一个金融消费领域的专业内容生产者,融360希望用好的内容吸引用户,通过建立公信力而获得用户品牌。
中国人民大学国际学院副院长陈忠阳教授认为,在P2P行业鱼龙混杂的情况下,普通投资者很难凭一己之力评判一家P2P平台的综合实力强弱,也很难对P2P平台的各类宣传辨识真假。P2P问题平台层出不穷,不仅让投资者承受了重大的经济损失,也不断“践踏”着投资者对P2P行业的信任。现在专门针对网贷做行业分析报告、做评级评测,可谓正逢其时。一套具备公信力的P2P行业评级体系将有利于P2P行业的健康发展,可以为投资者提供积极且有益的投资借鉴。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。